我用M3.1 Flash做视频，这效果直接起飞了 | 附全部提示词

大家好，我是冷逸。

最近，“太空兔”终于揭晓答案，原来是MiniMax的M3.1 Flash，而且是早期版本。

一句话认识这个模型：M3.1 Flash在Agent任务、Coding、Computer Use和网络安全方面有大幅提升，1M上下文，原生支持视觉理解，推理速度提升了3倍，成本降了70%。

在最新的AA智能指数与成本对比上，它在这里，比最新版的DeepSeek-v4.1-flash还要便宜。

Flash模型里面，应该没有比它更便宜的了。

模型详细介绍，请看VCR。

没错，这个视频也是由M3.1 Flash生成的。

提示词极其简单。

只花了35分钟，就制作出一支2分钟视频。日常我用其他模型写代码做视频，1分钟的成片基本1小时打底。

而成本这块，加上下面还有一个视频，只消耗了我周额度的1%。我订的Max会员（¥119/月），换算下来大概是3毛钱。

这约等于，白嫖啊。。

关于用代码做视频的逻辑，详细的技术介绍，可以看我们这期内容：

简单来说就是，LLM写一个确定性渲染函数，然后用JavaScript配合Three.js、Canvas、CSS动画、SVG这类技术把画面写成一个由时间参数t控制的网页，再用无头浏览器按t=帧号/fps逐帧截图，最后交给FFmpeg编码成MP4。

如果你不想了解背后的技术，完全没有关系，直接交给AI就行。

它会自己跟着口播稿走。

实践中，我会建议你优先做口播稿（先生成口播文案，再自己录制或用Audio模型生成音频），然后让模型按口播稿来生成内容，这样视频质量更可控一些。

然后，我又用M3.1 Flash做了支MV。

这支MV的制作过程要稍微复杂点，前后我跟M3.1 Flash调试了4、5次。

我总结下来的制作步骤是：

1、自己去其他平台生成一首歌曲。

2、把歌曲和歌词一起丢给M3.1 Flash，让它整理一份“歌词时间轴.md”，尽量细化到毫秒。这一步很重要，不然后面就会因为节奏对不上，反复改来改去。

我有了时间轴后，视频就一次过了。

3、把下面的提示词和素材发给AI，让它严格按要求干活。如果需要生成图片素材的，记得把你的API key、model和url都丢给它，让它自己去配置。

MV 制作 Prompt · 通用版

需要用户提供三样：① 歌曲音频（或时长）② 歌词文本 ③ 每句的起止时间表（没有就先要，见第 1 步）。风格、世界观、分镜全部由你决定。
你是 MV 导演兼美术设计师。用代码做一支 16:9 / 1920×1080 / 25fps 的 MV，时长严格等于音频，画面逐帧可复现：给定同一个 t，必须得到同一帧。

一、先读词，再定风格——不要套模板
1. 抽意象：把歌词里反复出现的物挑出来（灯、伞、城门、雨……），这是全片的道具表。只留三个，其余删掉。
2. 定物理系统：为这三个意象选一台"机器"作为唯一的世界——老式示波器、电报机、胶片放映机、矿井信号灯、气象传真机、晶体管收音机……规则是：全片只发生在这台设备内部，不出现任何实拍；设备的语言（字符、波形、刻度、噪点、走纸、显影）就是你的镜头语言；人物的情绪由设备的读数承担，而不是由演员承担。
3. 写一句 Logline：用技术语汇把这首歌重述一遍（"一台即将报废的终端跑着两个相隔千里的进程"）。这句话决定全片所有取舍，写不出来就别开机。
4. 定色彩纪律：一个主色 + 一个禁用色。禁用色只允许出现在一个具体物件上。这条纪律全片不许破——观众最后是靠那一点颜色读懂剧情的。
5. 定情绪曲线：把歌词按情绪的转折切成 4–5 段，每段只让这台设备换一次"状态"——不是换场景，是同一台机器从冷到热、从正常到故障、从有信号到没信号。禁用色什么时候进入、什么时候被抽走，就是这条曲线的刻度。
6. 给设备命名：一个具体型号（NOC-704），写在画面角落。虚构要可信，就得有型号。

二、版式（通用骨架）
信号层按 1600×900 设计，再整体贴合到 1920×1080，留一圈机壳与电源指示灯。顶部是这台设备的真实读数（随剧情变化的数字，用数据讲戏：接通率、延迟、雨量、剩余时间）；中部舞台放当句的画面事件；一侧放"世界正在输出的东西"；另一侧放与歌词对应的图解；角落放滚动日志。
没有实拍，镜头语言就等于设备的物理行为：推近 = 字号变大、辉光加剧；拉远 = 字号缩小、屏幕显得更大更冷；分屏 = 切成两个缓冲区各自跑；抖动 = 链路劣化；行滚 = 干扰扫过；塌陷 = 垂直同步失效；关机 = 收成一条水平亮线。禁止手持、禁止变焦、禁止景深。

三、歌词不是字幕，是世界在输出
歌词必须由这个世界生成出来：终端日志、电报纸带、示波器字符、放映机字幕卡、仪表刻度上的刻字。等宽或机械字体，逐字打出，当前行最亮、已过的行逐级变暗，关键句整行反色一次，行首可带时间戳与声部标记。行与行之间穿插半可读的环境日志（保留关键词，禁止 lorem ipsum）。绝不做底部居中字幕。

四、制作步骤
第 1 步｜时间轴（先钉死，后面全部以它为锚）
每句起止必须来自真实演唱转写。不要用频谱去猜——包络、起音、基频、色度在带人声的混音里全都不可靠，误差会一路累积到十几秒。没有时间表就先向用户要。拿到后：打字时长 = 本句时长 × 0.6（上限 2.2s）；画面事件、配色、读数全部以"句"为锚点重算；句子之间的真实停顿必须空着，不要拿字去填。
第 2 步｜逐句分镜
一句歌词 = 一个可指认的画面事件，多一个都不行。事件要从意象长出来，并且和这句的词义对得上：唱"分"就真的分裂，唱"灭"就真的熄灭，唱"等"就真的有个东西在等。全部写成表，然后自查——有没有两句用了同一个动作？有就改。再查一遍：每个事件是否都能用一句话描述给别人听？
第 3 步｜关键脉冲
全片只留 5–6 下重手：开机、第一次"暖"、结构裂开、冻结、死亡、重启。每一下都要压在某个字的发声帧上，而不是压在一个大概的秒数上。其余时间保持克制——重手之所以重，是因为别处轻。
第 4 步｜留白与结尾
尾奏不要用歌词填。给一个"机器比人先死"或"人走了机器还在跑"的收束：断电 → 黑场 → 余辉重燃 → 空转 → 定格 → 关机。定格段只允许两样东西动（光标、一滴落下的东西），其余全部静止。
第 5 步｜配图
用 gpt-image-2.5 生成"纯黑底、白色单线条稿、无阴影无文字"的插画，阈值化成 1-bit，按最终显示尺寸处理（1:1 才不会糊），着色后用逐行扫描的方式揭示，像设备正在把它画出来。一张图只服务一句词，宁少勿多。
第 6 步｜渲染与编码
单页 HTML + Canvas2D，画面全部是 renderAt(t) 的纯函数，不留任何增量状态。无头浏览器逐帧 toDataURL → ffmpeg 管道 → x264；长片拆两段并行渲染再 concat，接缝帧号必须对齐。信号层一次贴合到成片尺寸，叠扫描线、网纹、颗粒、辉光、暗角与机壳。最终 crf 21 / maxrate 12M / yuv420p，混入未处理的原曲，音画等长。

五、验收
任取一帧都对得上分镜表；两句歌词不能共用一个画面动作；歌词首字永远落在该句起唱那一帧；最重的那一下与音乐重音同帧；全片没有一处字幕居中；把任意一帧截图给别人看，他能说出"这是什么设备"；静音看一遍，情绪曲线仍然成立。

4、产物出来后，验收、修改、微调。

而这整个过程，看起来是不是还挺复杂的？但是模型的上下文只消耗了46%，它还能跑。

可见MiniMax M3.1 Flash这个模型，还真的挺能打的。

包括，最终的提示词模板，也是模型一手总结的。

我最初的提示词，早已经不是这个，经过几轮修改、优化后，再让模型基于最终产物来生成最终版提示词，这远比我最早构想的提示词更有效。

也让大家，少走弯路。

欢迎各位基于我这个提示词做复现，然后来评论区告诉我，你的使用体验如何。

这2个视频，从构思初始需求，到生成，到修改，再到沉淀提示词……前前后后差不多耗了我大半天的时间。但我觉得还是很值的，现在终极提示词已经交到了你的手里，你直接复制即用。

我替了大家省了时间，我很开心。

同时，也必须要对M3.1 Flash这个模型说句肯定的话。别管什么Agentic、Coding、Computer Use、网络安全这一堆基准测试能力，在这2个视频场景中，它都有涉及。

最终的结果，交出了两份我个人非常满意的作品，完全可以媲美Opus 5.5水准的作品。

而它，来自中国，还会开源。

这就够了。